EvoLab@SGH Martin Reiche, 2005 1

„Von nichts kommt nichts!“

Oder doch?

Evolution im Computer

EvoLab@SGH Martin Reiche, 2005 2

Themenbereiche Evolution als Informationserzeugung Formale Modellierung einer Orientierungsleistung Zustandsautomat „Kombinatorische Explosion“ und „reiner Zufall“ Optimierung, Zielfunktion, „Fitnesslandschaft“ Modellierung des Evolutionsprozesses als

„Algorithmus“ Außerordentliche Leistungsfähigkeit und Universalität

der Evolution Wesen und Wirkung von Reproduktion, Selektion,

Mutation, Fitness Explizites vs. implizites Wissen/Lernen, Abstraktion

EvoLab@SGH Martin Reiche, 2005 3

Leben und Information Das Leben auf der Erde besteht aus einzelnen

Individuen, die ständig neu geboren werden und wieder sterben.

Was nicht stirbt, ist der Bauplan, nach dem ihr Körper aufgebaut ist und der ihr Verhalten steuert.

Dieser Bauplan ist Ergebnis der Evolution.Er wird immer wieder kopiert und verändert.

Jeden Plan können wir als Information darüber begreifen, wie etwas zu geschehen hat.

Die Evolution erzeugt also Information.

EvoLab@SGH Martin Reiche, 2005 4

Information und Computer Ein Computer ist eine Maschine zur

Informationsverarbeitung. Kann er nicht auch Information „produzieren“,

so wie die Evolution? Und was bedeutet das eigentlich? Wir wissen doch:

„Von nichts kommt nichts!“

EvoLab@SGH Martin Reiche, 2005 5

Zweck von EvoLab (allgemein)

Wir stellen dem Computer eine Aufgabe, für die er selbständig eine Lösung, einen Plan finden soll. Dabei soll er wie bei der Evolution der Lebewesen verfahren.

Dazu bräuchte man nicht unbedingt einen PC: Bleistift, Papier und Würfel täten es auch, allerdings würde das dann sehr zeitaufwändig...

EvoLab@SGH Martin Reiche, 2005 6

Zweck von EvoLab (speziell)

Der Computer soll „künstliche Ameisen“ züchten, die in der Lage sind, einer Spur zu folgen.

Er soll die Information erzeugen, die eine Ameise erfolgreich steuert.

EvoLab@SGH Martin Reiche, 2005 7

Sicht einer Ameise

EvoLab@SGH Martin Reiche, 2005 8

Wirkungskreislauf beim Verfolgen einer Spur

Welt

Auge

Gehirn

Beine

EvoLab@SGH Martin Reiche, 2005 9

Zustandsautomaten

Sicht:

ZA 1(variabel)

ZA 2(fest)

Relative Bewegung: , , ,

Absolute Bewegung: N, W, S, O

, , , , , , ,

EvoLab@SGH Martin Reiche, 2005 10

Darwins Beobachtungen (1)

Alle Arten weisen ein derart hohes Fortpflanzungspotential auf, dass ihre Populationsgröße exponentiell zunehmen würde, wenn alle Individuen, die geboren werden, sich erfolgreich fortpflanzten.

EvoLab@SGH Martin Reiche, 2005 11

Exponentielles Wachstum

der Menschheit

EvoLab@SGH Martin Reiche, 2005 12

Darwins Beobachtungen (2+3)

Die meisten Populationen sind normalerweise mit Ausnahme saisonaler Schwankungen in ihrer Größe stabil.

Die natürlichen Ressourcen sind begrenzt.

EvoLab@SGH Martin Reiche, 2005 13

Darwins Folgerungen (1)

Die Produktion von mehr Nachkommen, als die Umwelt tragen kann, führt unter den Individuen einer Population zu einem Kampf ums Überleben, wobei in jeder Generation nur ein Bruchteil des Nachwuchses überlebt.

EvoLab@SGH Martin Reiche, 2005 14

Darwins Beobachtungen (4+5)

Die Individuen einer Population variieren enorm in ihren Merkmalen; keine zwei Individuen sind exakt gleich.

Ein Großteil dieser Variabilität ist erblich.

EvoLab@SGH Martin Reiche, 2005 15

Darwins Folgerungen (2)Das Überleben im Existenzkampf beruht nicht auf Zufall, sondern hängt unter anderem von den Erbanlagen der überlebenden Individuen ab.

Die durch ihre ererbten Merkmale am besten an die Umwelt angepassten Individuen hinterlassen wahrscheinlich mehr Nachkommen als weniger gut angepasste.

EvoLab@SGH Martin Reiche, 2005 16

Industriemelanismus

EvoLab@SGH Martin Reiche, 2005 17

Fitnesslandschaft – der eindimensionale Fall (1)

EvoLab@SGH Martin Reiche, 2005 18

Fitnesslandschaft – der eindimensionale Fall (2)

EvoLab@SGH Martin Reiche, 2005 19

Fitnesslandschaft – der zweidimensionale Fall

EvoLab@SGH Martin Reiche, 2005 20

Gib‘ dem Zufall eine Chance!

Erreichte Fitness Anzahl

0 97.702.041

1 2.223.557

2 69.426

3 2.300

4 383

5 0

6 0

7 2.293

8 und größer 0

Summe: 100.000.000

EvoLab@SGH Martin Reiche, 2005 21

Der Evolutions-Algorithmus

Start

Fertig!

Fitness aller 200 Genome bestimmen

maximale Fitness erreicht?

Die 20 besten Genome als Eltern wählen

200 Genome mit zufälligen Regeln

belegen

nein

ja

Durch Kreuzung aus den 20 Eltern 200 neue Genome herstellen

Einige Genome zufällig verändern

Selektion

Reproduktion

Mutation

EvoLab@SGH Martin Reiche, 2005 22

Crossing-Over (1)

a

b

c

Elter 1 Elter 2 Tochter

 

EvoLab@SGH Martin Reiche, 2005 23

Crossing-Over (2)

 

Genom 1:

rekombiniert

mit Genom 2: ergibt

Tochter-genom:

EvoLab@SGH Martin Reiche, 2005 24

Mutation

vorher:

nachher:

EvoLab@SGH Martin Reiche, 2005 25

Zwei Arten zu LernenExplizites Lernen Implizites Lernen

umgangssprachlich Auswendiglernen Verstehen

Beispiel TelefonbuchAddition von

Dezimalzahlen

Erfasst die Regelmäßigkeit der Aufgabenstellung

nein ja

Funktioniert auch, wenn keine Regelmäßigkeit vorhanden ist

ja nein

Gelerntes lässt sich auf ähnliche Phänomene übertragen

nein ja

Speicherbedarf wächst mit Lernumfang

ja nein

EvoLab@SGH Martin Reiche, 2005 26

EvoLab und die natürliche Evolution

Natürliche Evolution

EvoLab

Generationenfolge mit Selektion und Mutation

ja ja

Individuen können sich in ihre Umwelt orientieren

ja ja

Wesen der IndividuenMaterieller Körper mit

StoffwechselBitmuster, „Zahlen“

Umwelt Natur Computer

Komplexität der Individuen hoch gering

Evolution hat festes Zielnein

(nicht erkennbar)ja

Individuen interagieren (Wettbewerb, Kooperation)

ja nein

Definition der Fitness komplex einfach